وقتی برای اولین بار صحبت با Big Four درباره هوش مصنوعی را شروع کردیم، گفتگوها با سرعتی غیرمنتظره پیش رفت. نه مقدمهای طولانی در کار بود و نه نیازی به توضیح اینکه چرا هوش مصنوعی اهمیت دارد. تقریباً بلافاصله، شرکا و مشاوران ارشد شروع کردند به صحبت درباره اینکه زمانشان واقعاً کجا صرف میشود. نه برای تصمیمگیری یا بینش، بلکه برای آمادهسازی. بیرون کشیدن دادهها از سیستمهای مختلف. همراستا کردن اعداد. مطمئن شدن از اینکه تحلیلها با استانداردهای داخلی منطبقاند، پیش از آنکه کسی اصلاً بتواند به این فکر کند که نتایج چه معنایی دارند.
آنچه برای ما جالب بود این بود که هیچکدام از این کارها کمارزش نبود. این کارها ضروری بودند. اما در عین حال فرساینده هم بودند. افراد بسیار باتجربه بخش بزرگی از روزشان را صرف این میکردند که فقط به نقطهای برسند که تفکر واقعی بتواند آغاز شود.
با ادامه گفتگوها، بیش از دهها فرایند ترسیم شد که هوش مصنوعی میتوانست در آنها نقش داشته باشد. گزارشدهی، انطباق، کنترلهای مالی، تحلیل مالیاتی، بازبینیهای داخلی. در ظاهر، مسئله شبیه یک مشکل کلاسیک اتوماسیون به نظر میرسید. اما اینطور نبود.
بیشتر این فرایندها از قبل ابزارها، قالبها و اتوماسیونهای جزئی خود را داشتند. چیزی که همهچیز را کند میکرد، در فاصله بین مراحل قرار داشت. جابهجایی بین زمینهها. تطبیق خروجیها. بهکارگیری قضاوت بهصورت سازگار روی اطلاعات پراکنده. هزینه واقعی فقط زمان نبود، بلکه بار شناختی بود.
همانجا بود که چارچوب نگاه عوض شد.
بهجای اینکه بپرسیم هوش مصنوعی چگونه میتواند کار را از ابتدا تا انتها انجام دهد، شروع کردیم به این پرسیدن که چگونه میتواند از افرادی که کار را انجام میدهند پشتیبانی کند. اگر هوش مصنوعی میتوانست بخشهایی را که انرژی را تحلیل میبرند بر عهده بگیرد، بدون اینکه کنترل را از بین ببرد، چه میشد؟ اگر میتوانست پیشنویسهای ساختیافته آماده کند، ناسازگاریها را برجسته کند و منطق خود را آشکار سازد، تا متخصصان بهجای آمادهسازی روی قضاوت تمرکز کنند، چه میشد؟
وقتی این رویکرد عملیاتی شد، اثر آن ملموس شد.
در سراسر تیمها، زمان چرخه برای کارهای تحلیلی تکرارشونده بین 80 تا 90 درصد کاهش یافت. خطاهای دستی، بهویژه در فرایندهایی که بار زیادی از تطبیق داشتند، بهطور چشمگیری کم شد. به همان اندازه مهم، خروجیها در میان تیمهایی که قبلاً همان کار را با روشهایی کمی متفاوت انجام میدادند، سازگارتر شدند. بهطور میانگین، مشاوران حدود 40 تا 50 ساعت در ماه را دوباره به دست آوردند که حالا میتوانست صرف تفکر باارزشتر شود.
اما جالبترین تغییر در اعداد نبود.
در نحوهای بود که مردم درباره کارشان حرف میزدند. بازبینیها آرامتر شدند. بحثها متمرکزتر شدند. بازبینهای ارشد زمان کمتری را صرف بررسی درست بودن همهچیز میکردند و زمان بیشتری را صرف بحث درباره این میکردند که نتایج واقعاً چه معنایی دارند.
بهمرور، سیستم دیگر شبیه ابزاری نبود که مردم مجبور باشند از آن استفاده کنند. بیشتر شبیه یک شیوه کاری مشترک شد که بیسروصدا نحوه تصمیمگیری را در خود جذب میکرد و آن را در تحلیلهای بعدی بازتاب میداد.
این تجربه همچنین چیزی را تقویت کرد که مدتها به آن باور داشتیم. پیشرفت بهسوی هوش عمومیتر از سیستمهایی به دست نخواهد آمد که میکوشند در حوزههای پیچیده جای متخصصان را بگیرند. این پیشرفت از سیستمهایی خواهد آمد که اصطکاک پیرامون تفکر تخصصی را کاهش میدهند و آن را تقویت میکنند.
در این همکاریها، هوش مصنوعی نه با خودمختار بودن، بلکه با مشارکتی بودن ارزش ایجاد کرد. برای مردم تصمیم نگرفت. به آنها کمک کرد تصمیمهای بهتری را سریعتر بگیرند.
اگر نشانهای اولیه از اینکه سامانههای شبیه AGI نخست کجا اهمیت پیدا خواهند کرد وجود داشته باشد، همینجاست. نه در خودکارسازی کامل، بلکه در پشتیبانی از قضاوت انسانی در مقیاس وسیع.
همین تغییر، از خودکارسازی به اهرمسازی، همان چیزی بود که تفاوت را رقم زد.
